Zastosowania statystyki w badaniach rolniczych – metody zaawansowane

Kurs jest poświęcony omówieniu kwestii takich jak:

• planowanie i analiza danych pochodzących z dwu- i trójczynnikowych układów doświadczalnych
• analiza danych pochodzących z powtarzanych pomiarów
• analiza serii doświadczeń czynnikowych, w tym analiza interakcji genotypowo-środowiskowej (G x E)
• analiza komponentów wariancyjnych
• analiza złożonych zależności przyczynowo-skutkowych (analiza regresji wielorakiej i modeli nieliniowych)
• wybrane metody wielozmienne służące agregacji badanych przypadków

Dla kogo?

• pracowników firm i instytucji zajmujących się badaniami z zakresu rolnictwa, hodowli i ochrony roślin oraz nauk pokrewnych, którzy chcą analizować dane pochodzące z różnych układów doświadczalnych i poprawnie interpretować wyniki swoich badań

Co zyskasz?

• dowiesz się, jak analizować i interpretować dane pochodzące z różnych dziedzin badań rolniczych i pokrewnych
• nauczysz się interpretować wyniki analiz statystycznych, zwracając uwagę na poprawne formułowanie wniosków merytorycznych dotyczących postawionych przez badacza celów, hipotez lub pytań badawczych
• poznasz bogate możliwości programu Statistica oraz Zestawu Przyrodnika w zakresie wizualizacji danych i wyników analiz

Program szkolenia

1. Planowanie i analiza doświadczeń czynnikowych – zaawansowane modele analizy wariancji
   1. Doświadczenia dwuczynnikowe
      1. Układ całkowicie losowy
      2. Układ bloków losowych
      3. Układ split-plot
      4. Układ split-blok
   2. Doświadczenia trójczynnikowe
      1. Układ bloków losowych
      2. Układ split-plot A-BC
      3. Układ split-plot AB-C
   3. Analiza wariancji z powtarzanymi pomiarami
   4. Serie doświadczeń
      1. Układ hierarchiczno-krzyżowy (seria doświadczeń w układzie bloków losowych)
      2. Układ split-split-plot (seria doświadczeń w układzie split-plot)
      3. Model AMMI (analiz interakcji genotyp × środowisko)
   5. Analiza komponentów wariancyjnych
      1. Model losowy
      2. Model mieszany
2. Analiza zależności przyczynowo-skutkowych
   1. Regresja wieloraka
      1. Model regresji wielorakiej
      2. Dobór zmiennych niezależnych do modelu regresji wielorakiej
   2. Regresja nieliniowa
      1. Modele linearyzowane
      2. Modele nieliniowe
3. Wielozmienne analizy aglomeracyjne
   1. Aglomeracyjna analiza skupień
      1. Analiza skupień dla zmiennych ilościowych
      2. Analiza skupień dla zmiennych molekularnych (binarnych 0-1)
   2. Analiza składowych głównych PCA